Das Entwickeln und Implementieren von Vision-AI-Anwendungen ist komplex und teuer. Organisationen benötigen Datenwissenschaftler und maschinelles Lernen-Ingenieure, um Trainings- und Inferenzpipelines auf der Basis von strukturierten Daten wie Bildern und Videos zu erstellen. Aufgrund des akuten Mangels an qualifizierten maschinellen Lern-Ingenieuren ist das Bauen und Integrieren intelligenter Vision-AI-Anwendungen teuer für Unternehmen geworden.
Auf der anderen Seite stellen Unternehmen wie Google, Intel, Meta, Microsoft, NVIDIA und OpenAI vortrainierte Modelle zur Verfügung. Vortrainierte Modelle wie Gesichtserkennung, Emotionserkennung, Körperhaltungserkennung und Fahrzeugerkennung stehen Entwicklern offen, um intelligente auf Vision basierende Anwendungen zu erstellen. Viele Organisationen haben in CCTV, Überwachungs- und IP-Kameras für die Sicherheit investiert. Obwohl diese Kameras an bestehende vortrainierte Modelle angeschlossen werden können, ist die benötigte Integration zu komplex.
Den Aufbau von Vision-AI-Inferenzpipelines erfordert die Verarbeitung, die Codierung und die Normalisierung der Videodatenströme, die mit dem Zielmodell abgestimmt sind. Sobald dies umgesetzt ist, müssen die Inferenzergebnisse zusammen mit Metadaten erfasst werden, um Einblicke durch visuelle Dashboards und Analysen zu liefern.